Home | english | Impressum | Sitemap | Intranet | KIT
Institut für Angewandte und Numerische Mathematik 4: Numerische Simulation, Optimierung und Hochleistungsrechnen

Sekretariat
Kollegiengebäude Mathematik (20.30)
Zimmer 3.039

Adresse
Karlsruher Institut für Technologie (KIT)
Institut für Angewandte und Numerische Mathematik
Englerstrasse 2
76131 Karlsruhe

Öffnungszeiten:

Tel.: +49 721 608 - 42062

Fax.: +49 721 608 - 44178

Der Modellansatz: Modell091 - ÖPNV

modellansatz.de/oepnv

Bei genauem Hinsehen finden wir die Naturwissenschaft und besonders Mathematik überall in unserem Leben, vom Wasserhahn über die automatischen Temporegelungen an Autobahnen, in der Medizintechnik bis hin zum Mobiltelefon. Woran die Forscher, Absolventen und Lehrenden in Karlsruhe gerade tüfteln, erfahren wir im Modellansatz Podcast aus erster Hand.

Der Modellansatz: ÖPNV, Bild: K.Nökel, Komposition: S.Ritterbusch

Klaus Nökel arbeitet in der Firma ptvgroup an der Verkehrsmodellierung. Er war und ist an vielen Aspekten der Entwicklung der ptv-Software beteiligt. Einer seiner Schwerpunkte sind Modelle für den öffentlichen Nahverkehr - kurz ÖPNV. Oft kann man nur mit geeigneten Modellen und Simulationen den für Fördergelder erforderlichen Nachweis über einen zu erwartenden Nutzen von Baumaßnahmen erbringen. In Karlsruhe ist der Tunnel für die Straßenbahnen (in Karlsruhe kurz UStrab genannt) ein prominentes Beispiel einer solchen Großbaustelle.

Die wichtigste Fragen zum erwarteten Nutzen, ist wie sich die Reisezeit verkürzt: Der Kosten-Nutzen-Quotient sollte hier natürlich möglichst klein sein. Die gesamten Baukosten sind dabei relativ einfach zu ermitteln. Die Nutzen-Seite ist dagegen nicht so einfach zu schätzen. Man braucht dafür ja Zahlen darüber, was für die Fahrgäste (quantifizierbar) besser wird- insbesondere im Bezug auf Zeiteinsparung.

Um diese Frage beantworten zu können, muss für alle Einwohner eine Routenplanung für jeden Tag durchgeführt werden. In Bezug auf ÖPNV sind dies insbesondere die Mobliltätsentscheidungen zwischen Weg zu Fuß, mit dem Auto oder Fahrrad und dem ÖPNV. Das betrifft vor allem die Wege zur Arbeit, zu Freizeitaktivitäten und zum Einkaufen. Die Wohn- und Arbeitsorte liegen hier über längere Zeit fest - alle anderen Größen sind jedoch variabel und Entscheidungen wo man beispielsweise einkaufen geht, können sich mit besserer Erreichbarkeit verändern. Hier muss aufgrund vorliegender Informationen zu Wegen in der Stadt die Wahl des Verkehrsmittels modelliert werden und welche Route mit welchem Verkehrsmittel typischerweise gewählt wird. Die Frage ist dann, ob es zu Verschiebungen in der Verkehrsmittelwahl kommen wird, nachdem sich die Infrastruktur geändert hat (wie z.B. durch den Tunnel bei uns in Karlsruhe). Die Angebotsseite ist vergleichsweise einfach zu beschreiben: Verkehrsnetz(e) wie Straßen und Liniennetz des ÖPNV mit zugehörigem Fahrplan sind bekannte Daten.

Die Kenntnisse über die Nachfrage sind komplex und setzen sich aus verschiedenen Anteilen zusammen. Ein gut verstandener Teil hier ist der soziodemographische z.B. ob ein Auto zur Verfügung oder nicht. Typischerweise haben junge Leute auf dem Weg zur Schule oder in die Ausbildung kein Auto zur Verfügung. Ebenso kann man gut beschreiben, wo gewohnt, gearbeitet und typischerweise eingekauft wird. Die Frage, welche Wege zurückgelegt werden, wird nicht wirklich gezählt oder genau ermittelt, sondern modelliert. Dabei sind viele Fragen nicht eindeutig beantwortbar. Manches sind auch ganz persönliche Vorlieben, so wie verschiedene Personen höhere Wegekosten gegenüber höherer Wegezeit sehr unterschiedlich gewichten.

Eine typische Datenbeschaffungsmethode ist bisher, Menschen über einen gewissen Zeitraum Tagebuch zu ihren Mobilitätsentscheidungen führen zu lassen. Zusätzlich zu den so dokumentierten und hochgerechneten Entscheidungen müssen für das Modell als Vergleich auch noch mögliche Alternativen zu diesen Entscheidungen mit berechnet werden (inklusive Zeit- und Geldaufwand).

Als mathematische Methode bietet sich ein Discrete Choice Modell an, denn es geht um endlich viele Alternativen zwischen denen gewählt wird. Es gibt darin einige objektive Anteile der persönlichen Nutzenfunktion und einen unbeobachtbaren Teil der Nutzenfunktion, der üblicherweise durch eine Wahrscheinlichkeitsverteilung im Modell realisiert werden kann und muss.

Statistik insbesondere die Schätztheorie hilft bei der Bestimmung der Wahrscheinlichkeitsverteilungen aus vorliegenden Entscheidungen. Das Gewicht für das "Rauschen" ist eine Unbekannte im Modell. Je nach Standort für den das Modell entwickelt wird, unterscheidet sich das tatsächlich.

In den letzten Jahren hat sich die Anzahl der Wahlmöglichkeiten für Mobilität durch verschiedene Sharing-Modelle außerdem stark erweitert, wie z.B. durch Carsharing oder Fahrrad-Leihe, die inzwischen auch niederschwellig und sehr flexibel geworden sind. Vor allem in Kombination mit herkömmlichen Transportmitteln liegt ein großes Potential, das gerade erschlossen wird (z.B. haben zur Zeit etwa 600 Städte in der Welt ein Leihfahrrad-System). Es wäre einfacher, wenn die Benutzung noch klarer standardisiert wäre und eine Benutzerführung so einfach wie in einer typischen App erfolgte.

Sinnvoll und wünschenswert wären natürlich ausführliche Vorher-nachher-Untersuchungen, um die Güte der Vorhersagen der Modelle zu prüfen und auch zu verbessern. Bisher war das meist zu teuer, aber das ändert sich gerade, weil Datenmengen aus Smartphones nutzbar und einfach auswertbar werden. Zum Glück gibt es hier keine Berührung der Privatsphäre, weil nur anonyme Angaben aus großen Mengen von Bewegungsprofilen gebraucht werden aus denen keine Rückschlüsse auf einzelne Personen möglich sind.

Die Städte versuchen für ihre Einwohner die Erreichbarkeits-Gerechtigkeit zu verbessern. Hier vereinfachen die neuen Verkehrsmittel potentiell das Problem der letzten Meile lösen zu helfen.

Das Verhalten der Verkehrsteilnehmer ändert sich auch gerade in prinzipieller Weise durch die Verfügbarkeit von online-Informationen zum Verkehr (einerseits per Smartphone, andererseits durch Anzeigen an den Haltestellen). Hat man sich früher eine Variante zu Hause überlegt und so gut es ging anschließend abgearbeitet (unterwegs hatte man dabei nur beschränkt Möglichkeiten mit Verspätungen und verpassten Verbindungen fertig zu werden), so reagieren heute Fahrgäste anders, weil sie unterwegs mehr Informationen haben. Hier braucht man tatsächlich auch neue Modelle und mehr Rechenpower.

Eine weitere Entwicklung ist es, im Modell zu berücksichtigen, dass Fahrgäste Entscheidungen auch nach erwartetem Komfort treffen. So sind volle Bahnen für viele abschreckend. Das könnte man im Modell noch relativ einfach berücksichtigen. Wenn man aber einbauen will, dass es eine gute Strategie ist, erst in der "falschen" Richtung zu fahren, um an einer früheren Station in die Linie einzusteigen, damit man tatsächlich auch mitkommt und nicht wegen einer überfüllten Bahn an der Haltestelle zurückbleiben muss, vergrößert das die Menge der sinnvollen Routen erheblich.

Literatur und Zusatzinformationen


Podcasts und Videos



Diese Podcast-Episode zitieren